面向间隔重复学习的医疗内容检索增强生成优化
计算与语言
2025-03-05 v1 人工智能
信息检索
摘要
大语言模型的进步彻底变革了医学教育，使可扩展且高效的学习解决方案成为可能。本文提出一种管道，采用检索增强生成（RAG）系统为波兰国家专科考试（PES）生成评论，基于经验证的资源。该系统将所生成评论与来源文档整合至间隔重复学习算法中，以提升知识保留率，同时最小化认知负荷。通过采用精炼检索系统、查询重构器及高级重排序器，我们对RAG方案进行修改，强调准确性而非效率。严格的医学注释员评估表明，经过一系列实验验证，其关键指标——包括文档相关性、可信度及生成内容的逻辑连贯性——均取得显著提升。本研究凸显了RAG系统为非英语用户提供可扩展、高质量且个性化教育资源的潜力。
引用
@article{arxiv.2503.01859,
title = {Optimizing Retrieval-Augmented Generation of Medical Content for Spaced Repetition Learning},
author = {Jeremi I. Kaczmarek and Jakub Pokrywka and Krzysztof Biedalak and Grzegorz Kurzyp and Łukasz Grzybowski},
journal= {arXiv preprint arXiv:2503.01859},
year = {2025}
}